Avances de
Investigación
Interacción social y crimen:
Avances de Investigación 31
Interacción social y crimen:
un análisis del caso peruano a nivel provincial
Carmen Armas
Daniel Velásquez
(GRADE), busca difundir los resultados en proceso de los estudios que realizan sus investiga-dores. En concordancia con los objetivos institucionales, su propósito es realizar investigación académica rigurosa con un alto grado de objetividad, para estimular y enriquecer el debate, el diseño y la implementación de políticas públicas.
Las opiniones y recomendaciones vertidas en este documento son responsabilidad de sus autores y no representan necesariamente los puntos de vista de GRADE ni de las institu-ciones auspiciadoras. Los autores declaran que no tienen conflicto de interés vinculado a la realización del presente estudio, sus resultados o la interpretación de estos. Esta publicación, y la investigación en la que se sostiene, se llevaron a cabo gracias a la subvención del Centro Internacional de Investigaciones para el Desarrollo, Canadá, en el marco de la Iniciativa Think Tank.
Lima, diciembre del 2017
Grupo de Análisis para el Desarrollo (GRADE) Av. Grau 915, Barranco, Lima 4, Perú Apartado postal 18-0572 Lima 18 Teléfono: 247-9988
www.grade.org.pe
Esta publicación cuenta con una Licencia Creative Commons Atribución-NoComercial 4.0 Internacional.
Director de investigación: Santiago Cueto Corrección de estilo: Rocío Moscoso Asistente de edición: Diana Balcázar Diseño de carátula: Elena González Diagramación: Amaurí Valls M.
Impresión: Impresiones y Ediciones Arteta E.I.R.L.
Índice
Abreviaciones 7
A. Justificación y planteamiento del problema 9
B. Marco conceptual 15
B.1. La oferta de crímenes: la economía del crimen 15
B.2. La demanda de crímenes: teorías de victimización 17
B.3. Interacción social y crimen 18
B.4. Estudios del caso peruano 21
C. Metodología 23
C.1. Modelo teórico 23
C.2. Marco empírico 27
C.3. Base de datos 30
C.4. Especificación para la estimación 34
D. Hechos estilizados 37
D.1. Correlaciones 37
D.2. Interacción social y crimen 39
E. El Índice de Interacción Social f (π) 47
E.1. Correlación entre la interacción social f (π) y otras
variables (x) 47
E.2. Correlación con otras variables (x) 52
F. Conclusiones 59
Referencias bibliográficas 63
ABREVIACIONES
DIVA-GIS Página web que provee gratuitamente información espacial del mundo
Enapres Encuesta Nacional de Programas Sociales
ENCO Encuesta Nacional Continua de Hogares
GMM Método generalizado de momentos
(General method of moments)
INEI Instituto Nacional de Estadística e Informática
Inrena Instituto Nacional de Recursos Naturales
MEF Ministerio de Economía y Finanzas
Mininter Ministerio del Interior
NBI Necesidad básica insatisfecha
NOAA National Oceanic and Atmospheric Administration
Renamu Registro Nacional de Municipalidades
RSF Retén-Servicio Franco
A. JuSTIFICACIóN y PLANTEAMIENTO DEL PROBLEMA
El estudio del crimen es fundamental para el caso peruano porque, de acuerdo con diversas encuestas, la criminalidad es una de las más gran-des preocupaciones de la población. En particular, según una encuesta de Ipsos realizada en el 2016, la delincuencia y la falta de seguridad constituyen el principal problema que aqueja el país. Otras fuentes confirman los resultados de Ipsos: de acuerdo con la Encuesta Nacio-nal Continua de Hogares (ENCO) 2013-2016, la principal preocu-pación de los peruanos es la delincuencia, resultado que se mantiene desde el 2013. Además, en línea con el sentir de la población, en el gráfico 1 se muestra que la tasa de victimización en el Perú (línea roja) se encuentra todavía en niveles relativamente altos respecto a los de
la región1 (línea verde). Todo esto parece indicar que el estudio del
crimen es una actividad necesaria.
Otra razón para estudiar la criminalidad es la alta varianza que se observa a lo largo del espacio y el tiempo. En el Perú, según datos de la ENCO 2006, existen provincias como Antabamba, donde el número de delitos ocurridos fue de 714 por cada 1000 habitantes, y otras como Cotabambas, donde el número de delitos fue de 291 por cada 1000 habitantes, cuando ambas pertenecen al mismo departa-mento: Apurímac. Esta cuestión ha sido ampliamente estudiada por la 1 Aunque según la Encuesta Nacional de Programas Estratégicos, la tasa de victimización
literatura a nivel internacional. Si bien la evidencia internacional de-muestra que parte de dicha varianza puede explicarse mediante distin-tos factores observables —como el desempleo, la pobreza, el ingreso per cápita y la educación, entre otros—, una gran proporción queda sin explicar. Otros enfoques han incorporado la posible correlación entre las decisiones de los agentes para explicar esta porción faltante (Glaeser, Sacerdote y Scheinkman 1996). En otras palabras, cuando una persona decide cometer un crimen, este solo hecho puede generar que otras se sientan motivadas a hacer lo mismo, lo que finalmente implicaría que la varianza en el crimen —y la media— sea más elevada en los datos de lo que las variables observables son capaces de predecir si se asume que los individuos se encuentran idéntica e independien-temente distribuidos.
Gráfico 1
Personas que afirman haber sido víctimas de un asalto, agresión o delito en los últimos 12 meses, 2011 (%)
Fuente: Lagos y Dammert (2012). Elaboración propia.
0 5 10 15 20 25 30 35 40 45 MéxicoPerú
Argentina Colombia Costa RicaBolivia Honduras Guatemala América LatinaVenezuela EcuadorBrasil NicaraguaUruguay ParaguayChile El Salvador República DominicanaPanamá
11 Justificación y planteamiento del problema
Con esta idea en mente, el presente estudio pretende documentar si la correlación entre las decisiones personales, definida como “inte-racción social”, contribuye a generar un mayor entendimiento acerca del fenómeno del crimen y su varianza. Con el fin de realizar este ejercicio, se utiliza la metodología propuesta por Glaeser, Sacerdote y Scheinkman (1996) para estimar un índice de interacción social. Este índice permite conocer la importancia de este fenómeno para distin-tos tipos de crímenes: agresión sexual, secuestro, asalto a vehículo, robo a vivienda, agresión o robo de pandillas, daños a la vivienda por pandillas, robo en negocio propio, asalto o robo de pertenencias fuera del hogar. Así, el resultado del estudio servirá para saber qué tipos de crímenes en el Perú son mejor explicados por dicha correlación inter-personal y qué otros no.
Las estimaciones realizadas en este estudio son posibles gracias a los datos de la ENCO 2006, que cuenta con representatividad a nivel provincial y que contiene un módulo en el que se pregunta a los encuestados si fueron víctimas de un crimen durante el último año, y de qué categoría. Los resultados hallados en la presente investigación sugieren que la interacción social —es decir, la correlación entre las decisiones personales— existe y es capaz de explicar parte de la varian-za del crimen. En particular, luego de estimar el índice de interacción social para ocho crímenes distintos —agresión sexual, secuestro, asalto a vehículos, robo a vivienda, agresión o robo de pandillas, daños en la vivienda causados por pandillas, robo en negocio propio, y asalto o robo fuera del hogar—, parece ser que la varianza en la agresión sexual es la que se explica mejor por la interacción social. En contraste, los resultados muestran al delito del secuestro como el menos explicado por la interacción social.
Si bien el objetivo principal del presente estudio es estimar un índi-ce de interacción social que explique la varianza residual del crimen, un
objetivo secundario es encontrar qué factores se correlacionan con una mayor o menor interacción social (medida a través del índice). Esto nos dará indicios de qué medidas preliminares se podrían tomar para inhibir la interacción social entre criminales y potenciales criminales.
Para hallar dicha correlación, se parametrizó la medida de inte-racción social, tal como se explica en la metodología. una de las prin-cipales conclusiones que se desprenden de esa sección es que cuidar la estabilidad del hogar —esto es, familia mononuclear, hogares con niños enfermos, jefe de hogar desempleado y violencia intrafamiliar— podría inhibir la interacción social entre potenciales criminales. De hecho, se encuentra que la relación entre tres de estas medidas de ines-tabilidad y la interacción social es positiva para la mayoría de los deli-tos estudiados (cinco de ocho). Asimismo, la educación podría servir para disminuir la interacción social, aunque los resultados no son tan contundentes. Otra conclusión que se desprende de esa sección es que vigilar las calles —mediante rondas vecinales, por ejemplo— podría dificultar la interacción entre criminales. De hecho, en siete de ocho crímenes se encuentra una relación negativa entre las rondas vecinales y la interacción social.
El documento se encuentra distribuido de la siguiente manera. En la sección B se explica el marco conceptual, que se divide en cuatro subsecciones: oferta de crímenes, demanda de crímenes, interacción social y crimen, y caso peruano. En la sección C se explica la meto-dología en cuatro subsecciones: modelo teórico, marco empírico, base de datos y pasos para la estimación. Las primeras dos subsecciones se basan en el trabajo de Glaeser, Sacerdote y Scheinkman (1996), mientras que las últimas dos subsecciones explican la aplicación de esta metodología para el caso peruano en particular. En la sección D se muestran los hechos estilizados. Primero, se presentan las correla-ciones entre las tasas de criminalidad y los tipos de factores, que se
13 Justificación y planteamiento del problema
han clasificado en variables geográficas, demográficas, socioeconómi-cas, referidas a conductas de riesgo, y fiscales y policiales. Segundo, se muestra la correlación del crimen con factores que típicamente se relacionan con la interacción social. En la sección E se exhibe la esti-mación del índice de interacción social aplicando la metodología de Glaeser, Sacerdote y Scheinkman, y la parametrización de este índice. Finalmente, en la sección F se presentan las conclusiones del estudio.
B. MARCO CONCEPTuAL
B.1. La “oferta” de crímenes: la economía del crimen
El crimen es uno de los fenómenos sociales de mayor relevancia a nivel mundial y nacional, puesto que impacta directamente sobre el bien-estar de las personas. La violencia que se genera alrededor del crimen suele ser un limitante que dificulta la inserción social y económica de las personas, mermando así su posibilidad de éxito personal (Sah 1991). Estar rodeado por un mundo de violencia y delito no solo in-fluye directamente sobre el bienestar del individuo, sino que también puede afectar su decisión acerca del camino que tomará en su vida (Glaeser, Sacerdote y Scheinkman 1996). La imposibilidad de generar un flujo continuo de ingresos genera los incentivos necesarios para que los agentes se desvíen de la conducta socialmente deseable, sobre todo los individuos más vulnerables, es decir, aquellos que se encuentran rodeados por un mundo de pocas oportunidades económicas, de mu-cha violencia y de malas influencias (Becker 1968). Para desentrañar la compleja relación que existe entre la delincuencia y la sociedad se re-querirá un análisis que profundice en su caracterización y distribución espacial. A continuación, se revisará la literatura que trata de explicar o modelar las decisiones de las personas respecto a la posibilidad de cometer actos de criminalidad.
Entre los trabajos que relacionan factores económicos con la deci-sión de cometer un crimen están los estudios pioneros de Gary Becker
(1968) e Isaac Ehrlich (1973), quienes construyeron un modelo en el que la decisión de delinquir de un individuo depende del ingreso esperado de emprender dicha actividad. Esta expectativa se encuentra influenciada por la probabilidad de que el individuo sea descubier-to, del castigo que recibiría si fuera encontrado culpable, del benefi-cio neto que se adjudicaría si abordase dicha empresa con éxito y del costo-oportunidad de actuar de manera ilegal, es decir, del salario que percibiría si trabajase en el mercado laboral. Por otro lado, desde la perspectiva del regulador, la probabilidad de descubrir a un infractor y la pena que es capaz de imponer implican un costo, por lo que el equilibrio de este modelo se produce mediante estas dos dinámicas. Trabajos posteriores incorporaron varias otras perspectivas como, por ejemplo, la formación de hábitos (Becker y Murphy 1988), el carácter dinámico del crimen (Davis 1988; Witte y Tauchen 1994; Nagin y Waldfogel 1995; Glaeser y Sacerdote 1999; William y Sickles 2008), los factores territoriales y geográficos (Grogger y Weatherford 1995; Freeman, Grogger y Sonstelie 1996; O’Flaherty y Sethi 2007) y la acu-mulación de capital humano (William y Sickles 2002, Lochner 2004).
Cabe mencionar que en la literatura se señala la importancia de otros factores, tales como el capital social. Para una comunidad, dicha variable es importante por dos razones: a) reduce los costos de transac-ción social en una disputa, y b) la cohesión social en una comunidad disminuye las posibles tensiones en el uso de un recurso comunitario
causadas por el típico problema del free-rider (Morenoff, Sampson y
Raudenbush 2001; Lederman, Loayza y Menéndez 2002). Nueva lite-ratura de experimentos naturales muestra que otras variables también importan: las emociones de euforia y frustración generan reducciones y aumentos de crímenes violentos, respectivamente (Card y Dahl 2011, Munyo y Rossi 2013). Asimismo, indicadores de segregación, consu-mo de alcohol y heterogeneidad racial tienen un impacto significativo
17 Marco conceptual
en este tipo de crímenes (Carrión 2008; Krivo, Peterson y Kuhl 2009; Zhang, Wieczorek y Welte 1997).
B.2. La “demanda” de crímenes: teorías de victimización
La teoría del crimen estaría incompleta sin una explicación para su contraparte, que es la victimización. Estas teorías son el complemento de las teorías económicas, pues provienen de la tradición sociológica. Meier y Miethe (1993) hacen un resumen sobre las teorías de victimi-zación para crímenes no violentos; esto es, crímenes contra el patrimo-nio. Las principales teorías de victimización son a) exposición por esti-lo de vida y b) rutinas diarias. Las diferencias entre estas teorías se han diluido con los años y confluyen en la siguiente idea: las características socioeconómicas y demográficas son las que determinan que un indivi-duo se convierta en una víctima. Los conceptos claves son la proximi-dad física a los criminales, la exposición, la seguriproximi-dad y el atractivo para el criminal. Si bien estas teorías explican en parte por qué se produce un crimen, todavía faltan investigaciones que determinen el modo en que el atractivo influye en el criminal para elegir como víctima a una persona sobre otra. Finalmente, son estas teorías las que dan sustento a las variables socioeconómicas y demográficas como explicaciones de las altas tasas de crimen en determinada zona o región.
Sin embargo, diferentes tipos de crímenes no tienen lógicas igua-les. Es importante mencionar que los crímenes considerados violentos —esto es, crímenes contra la familia, la persona y la libertad— podrían seguir una lógica diferente que los crímenes no violentos, que son el objeto de análisis de las teorías anteriores. Generalmente, los trabajos con metodología económica señalan que los crímenes violentos se rela-cionan en mayor medida con la desigualdad de ingresos en la región y
en menor medida con el crecimiento económico (Morenoff, Sampson y Raudenbush 2001; Fajnzylber, Lederman y Loayza 2002; Enamora-do, López-Calva, Rodríguez-Castelán y Winkler 2016).
B.3. Interacción social y crimen
Los primeros trabajos que incorporan la interacción social, que en este texto se define como la correlación existente entre la decisión de una persona y la decisión de las personas cercanas, se revisan en Scheink-man (2008). En primer lugar, ScheinkScheink-man discute el modelo de masa crítica de Schelling (1971), en el cual se asume que hay dos tipos de in-dividuos que interactúan localmente y se encuentran distribuidos sobre un espacio lineal: aquellos que siempre actúan de una misma manera, sin importar lo que hagan los otros, y aquellos cuya decisión sí depende de los demás. El segundo grupo de modelos son los inspirados en la física de partículas. La diferencia con el anterior tipo de modelos es que ahora se asume una masa aleatoria y no un espacio lineal. una caracte-rística típica de estos trabajos es que se supone que los individuos son interdependientes. Luego, a partir de este supuesto y la construcción del modelo, se analiza el comportamiento que emerge en el equilibrio. Vale la pena mencionar que en los trabajos descritos por Scheinkman se encuentra implícita la posibilidad de que la decisión de un individuo se vea influenciada por sus vecinos geográficos.
El trabajo que se tomará como referencia principal es el de Glaeser, Sacerdote y Scheinkman (1996), quienes logran estimar un índice de interacción social asociado al crimen. Ellos observan que la varianza de las tasas de victimización entre ciudades es muy alta, y no se puede explicar completamente mediante variables sociodemográficas y econó-micas. Por ello, tratan de explicarla mediante un índice de interacción
19 Marco conceptual
social que derivan a partir de un modelo teórico en el que existen tres tipos de agentes: los que maximizan su utilidad al seguir las reglas (tipo 0), los que maximizan su utilidad al cometer crímenes (tipo 1) y los que maximizan su utilidad al imitar a su vecino (tipo 2). Para esto, ellos definen la interacción social como el grado de influencia que tiene
la decisión de un individuo sobre sus semejantes.2 Así, la interacción
social se encontraría explicada por la existencia de agentes tipo 2: en la medida en que la proporción de este tipo de agentes sea mayor, mayor será el grado de correlación entre las decisiones; es decir, mayor será la interacción social. Por ello, la proporción de agentes tipo 2
repre-senta una especie de índice de interacción social.3 Otros estudios que
también toman en cuenta la interacción social —aunque no necesa-riamente asociados con el crimen— son Case y Katz (1991); Brock y Durlauf (1995); Akerlof (1997); Zenou (2003); Calvó-Armengol y Zenou (2004); Calvó-Armengol, Verdier y Zenou (2007); Brueckner y Largey (2008); Ballester, Calvó-Armengol y Zenou (2009).
Así, el enfoque de Glaeser, Sacerdote y Scheinkman (1996) per-mite entender aquellos crímenes cuya varianza en el espacio se explica mediante la interacción social, que, en términos del modelo, se encuen-tra íntimamente relacionada con la proporción de agentes influencia-bles (tipo 2). Tal como se ha mencionado anteriormente —y se explica con mayor detalle en la sección metodológica—, la metodología de Glaeser, Sacerdote y Scheinkman permite estimar un índice de interac-ción social, ejercicio que nunca ha sido realizado para el caso peruano. 2 Glaeser, Sacerdote y Scheinkman no lo definen tan explícitamente, aunque utilizan el concepto de covarianza entre las decisiones de los individuos —acerca de si delinquir o no— para explicar la idea.
3 El presente estudio utilizará el mismo sentido que asumieron estos autores para el concepto de interacción social. La forma en la que se medirá se explica en las secciones C.1 y C.2, pero con el fin de adelantar, se utilizará la varianza de las tasas de crimen para recuperar la proporción de agentes tipo 2 promedio.
Si bien la estimación de este índice de interacción social asociado al crimen no presenta implicancias de política directas, sí permite enten-der mejor el fenómeno del crimen y la manera en que el Estado puede focalizar sus esfuerzos para reducir la criminalidad en el mediano o lar-go plazo. Quizá políticas que ayuden a inhibir la interacción entre cri-minales podrían ser de utilidad para reducir las tasas de victimización. Por ejemplo, Glaeser, Sacerdote y Scheinkman (1996) encuentran que en aquellas ciudades en las que existe una mayor proporción de fami-lias nucleares completas, la interacción social del crimen es menor. El indicador inverso —proporción de familias con un jefe de hogar— pertenece al tipo de indicadores de inestabilidad familiar; y así como este, existen otros indicadores, como niños con enfermedad crónica, hogares con personas desempleadas y violencia en el hogar.
A propósito de lo anterior, vale la pena repasar brevemente qué factores pueden influenciar la interacción social asociada al crimen. Brueckner y Largey (2008) sostienen que la densidad poblacional y la interacción social tienen una relación positiva. Sin embargo, para Fujita (1989), esta es negativa. Case y Katz (1991), por su parte, se en-focan en los jóvenes de pocos recursos o en situación vulnerable. Ellos argumentan que los individuos que se encuentran en estas condicio-nes son más influenciables por el entorno, lo que implica que la inte-racción social juega un rol más importante en el proceso de toma de decisiones. Otros autores han considerado diferentes variables como determinantes de la interacción social. Por ejemplo, el porcentaje de
personas con secundaria completa, el número de policías,4 el consumo
de drogas y alcohol, el porcentaje de personas que pertenecen a
de-terminada etnia5 y la proporción de distritos “peligrosos”, entre otros
4 La presencia policial no solo reduce la propensión al crimen (p) sino que también inte-rrumpe la comunicación entre delincuentes.
21 Marco conceptual
(Ballester, Calvó-Armengol y Zenou 2009; Freeman, Grogger y Sons-telie 1996; Brueckner y Largey 2006).
B.4. Estudios del caso peruano
En el caso peruano, los trabajos se concentran en el perfil de victimiza-ción de crímenes no violentos y el efecto de algunas variables explica-tivas. Los trabajos con metodologías cuantitativas son Apoyo (1999), Basombrío Iglesias (2003), Obando Morales-Bermúdez y Ruiz Chipa (2008), y Carpio y Guerrero (2014). Los resultados de Apoyo (1999) muestran que los jóvenes entre 18 y 24 años son los más vulnerables, mientras que los lugares donde se produce comercialización de dro-gas son los más proclives a generar crímenes violentos. Por su parte, Basombrío Iglesias (2003) se concentra en la percepción de las perso-nas acerca de la violencia. Él utiliza una encuesta hecha por Imasen en Lima Metropolitana sobre percepciones de violencia (2003) y las estadísticas provistas por el Ministerio del Interior según dirección te-rritorial, y encuentra que existen diferencias regionales que afectan la percepción sobre la inseguridad. Concluye que el crimen no es solo una consecuencia del déficit policial sino también de la falta de opor-tunidades laborales y de valores, y del fácil acceso al mercado negro de drogas.
Por su parte, Obando Morales-Bermúdez y Ruiz Chipa (2008) realizan un estudio de victimización a nivel provincial. Ellas utilizan la ENCO (2006) y estiman, usando variables instrumentales, los de-terminantes de la victimización por tipo de delito. Encuentran que el número de policías por habitante muestra una relación positiva con el número de asaltos y las agresiones de pandillas. Además, identifican una relación negativa entre el número de policías por habitante y el
robo de viviendas. Sin embargo, las autoras señalan que el valor de su trabajo es más descriptivo que econométrico.
Finalmente, Carpio y Guerrero (2014) estiman el efecto de la presencia policial sobre la delincuencia en el Perú utilizando una base individual. Esta se construyó al fusionar la encuesta de victimización —Encuesta Nacional de Programas Sociales (Enapres)— y un censo de comisarías para el 2012 y el 2013. La estimación fue hecha por va-riables instrumentales, cuya fuente de variabilidad exógena fue el
pro-grama piloto Retén-Servicio-Franco.6 Entre los principales resultados
se encuentra que un aumento del 1,00% del número de policías en un distrito disminuiría 0,52% la probabilidad de ser víctima de delito.
6 El programa piloto Retén-Servicio Franco (RSF) es una modalidad de trabajo policial que permitió la colocación de mayor número de agentes en las calles. Esta modalidad de traba-jo reemplazó al sistema “uno por uno”, en el cual cada policía tenía un día de trabatraba-jo y uno de descanso. Con el programa RSF la jornada de trabajo policial consta de tres días. En el primero, el policía cumple labores administrativas en las comisarías, con disposición a salir si es que sucede alguna emergencia; en el segundo, el policía realiza el servicio policial en las calles; y en el tercer día, el policía descansa.
C. METODOLOGÍA
En esta sección se presentan las herramientas necesarias para estimar el vínculo entre interacción social y crimen, y responder así a las pregun-tas de esta investigación. Se basará principalmente en la metodología planteada por Glaeser, Sacerdote y Scheinkman (1996), utilizada para relacionar la alta variación de la tasa de crimen entre distintas ciudades de Estados unidos, por un lado, y Nueva york, por otro, con el grado de interacción social. También se detalla la información disponible usada en las estimaciones del presente estudio. Por tanto, esta sección se dividirá en cuatro partes: modelo teórico, marco empírico, base de datos y pasos para la estimación. A continuación, presentamos el mo-delo teórico elaborado por Glaeser, Sacerdote y Scheinkman (1996).
C.1. Modelo teórico
En un análisis de regresión tradicional de corte transversal, el supuesto fundamental es que las observaciones de la muestra se encuentran in-dependiente e idénticamente distribuidas. Sin embargo, este supuesto distribucional no es absoluto y existen algunos contextos en los que se rompe, como, por ejemplo, cuando se analizan series de tiempo: existe autocorrelación. El modelo teórico en el que se basa el trabajo predice como resultado que las observaciones de una muestra de corte trans-versal ya no se encuentran independiente e idénticamente distribuidas, sino que dependen unas de otras.
Esta implicancia proviene de clasificar al individuo en tres tipos: los que siempre cometen un crimen, los que nunca cometen un cri-men y los que dependen de las decisiones de quienes se encuentran cerca para delinquir o no. La existencia de este último agente permi-te medir el grado de inpermi-teracción social como la proporción de estos agentes respecto de la población total: a medida que aumenta la pro-porción de agentes cuyas decisiones son influenciadas por los demás, mayor será el grado de interacción social, definida como la correlación que existe entre las decisiones de los individuos. Así, el principal re-sultado de este modelo es que la varianza de crimen entre ciudades se convierte en una función de la interacción social.
En primer lugar, se asume que existen 2n + 1 individuos, quienes
pueden ser de tipo τϵ{0,1,2}. Además, dichos individuos están
indexa-dos por un número entero i = 0, ±1, ±2, … y se encuentran ordenados
en una circunferencia, donde el agente i se encuentra influenciado por
el agente i-1.7 Cada agente i tiene una probabilidad p0 de ser tipo 0,
p1 de ser tipo 1 y p2 de ser tipo 2. Estas probabilidades son indepen-dientes entre individuos. Además, cada uno debe tomar una decisión:
cometer un crimen {ai = 1} o no cometerlo {ai = 0}. Los agentes tipo 0
serán acatadores de la ley; y los agentes tipo 1, transgresores de la ley. A
estos dos tipos de agentes se los conoce como agentes fijos: su decisión
no depende de los demás. Se denotará la probabilidad de ser un agente
fijo como π = p0 + p2. Finalmente, los agentes tipo 2 prefieren imitar a
su predecesor.8 Cada agente es capaz de observar la acción elegida por
su predecesor, por lo que aquellas hileras conformadas solamente por tipos 2 actuarán tal como actúa el agente que está al inicio de dichas hileras, ya sea tipo 0 o tipo 1.
7 El primer agente (indexado con –n) es influenciado por el último (indexado con n). Se ordena de esta manera para asegurar la simetría entre agentes.
8 Glaeser, Sacerdote y Scheinkman (1996) representan estas preferencias en forma de fun-ciones de utilidad. Ellos discuten brevemente la interpretación de estas preferencias.
25 Metodología
Si se piensa que la acción de cada agente es una variable aleatoria
que puede tomar los valores de 0 o 1, entonces el proceso {ai, -∞ < i <
∞} será estacionario y el valor esperado de cualquier ai será p≡ p1 ⁄ (p0
+ p1). En un análisis de regresión tradicional, el valor esperado de p es
igual a p1 porque solo existen dos tipos de agentes; es decir, la
proba-bilidad de que una persona sea del tipo 2 es igual a cero (p2 = 0). Sin
embargo, el modelo propuesto supone que existe el tipo de agente 2
y esto provoca que p0 + p1 no sea igual a uno. Este supuesto no afecta
funcionalmente el primer momento de la distribución de la variable
aleatoria ai. No obstante, la media cambiará, ya que la restricción de p2
= 0 implica que p0 + p1 = 1, mientras que cuando p2 es positivo,
enton-ces p0 + p1 < 1.
Por otro lado, se denotará Sn como la desviación entre la tasa de
crimen real y la tasa de crimen esperada en una región con 2n + 1
individuos. Es decir que:
(1)
Se utiliza esta variable en lugar de la tasa de crimen real porque tiene propiedades de largo plazo como una función de distribución conocida. Este término, ponderado por la raíz cuadrada del tamaño
de la población ( ), tiene una varianza de largo plazo positiva
y menor que infinito. Por ello, y por el Teorema del Límite Central, se cumple que la serie de desviaciones de tasas de crímenes tendrá una distribución asintótica que convergerá en una distribución normal:
Donde la varianza de largo plazo es igual que:9,10
(3)
Es decir, que asumiendo que cada provincia posee una población suficientemente grande, la varianza de la tasa de crimen entre
provin-cias equivale a p(1-p) veces una función de la proporción de personas
que no reaccionan ante influencias externas. Se debe recordar que,
en el caso tradicional, la varianza de largo plazo es igual que p(1-p).
El término (2-π) ⁄ π = f (π) representa la covariancia entre agentes y captura el grado de imitación promedio que existe. En otras palabras, cuando hay interacción social, a la varianza del caso tradicional se la
multiplica por un factor . Dicho factor tenderá a infinito
cuando p1→1; es decir, tenderá a infinito cuando la decisión de todos
los agentes se encuentre influenciada por los demás (infinita
interac-ción social). y tenderá a 1 cuando p2→0; es decir, se volverá al caso
i.i.d. cuando la decisión de ningún agente se encuentre influenciada
por los demás (no hay interacción social).
Dada la explicación anterior, se puede interpretar el factor f (π)
como un índice de interacción social, con lo que se llega a la siguiente
interpretación: a mayor interacción social, mayor será la varianza del
crimen. En la siguiente tabla se realiza la comparación entre el caso tradicional y el caso con interacción social.
9 El término en covariancias representa a la covarianza entre cualquier acción de un indivi-duo y la acción de otro indiviindivi-duo, cuya distancia es igual a i-1 personas. Esta nomenclatura es muy similar que la utilizada para series de tiempo.
10 En general, a limn→∞ (2n + 1) E (Sn2) se le conoce en la literatura como la varianza
asin-tótica de largo plazo. Si esta varianza es finita, se cumplirá el teorema ergódico, también conocido como la Ley de Grandes Números. una implicancia de esto es que se cumplirá también el Teorema del Límite Central.
27 Metodología
Tabla 1
Comparación entre el caso con interacción social y el caso sin interacción social
En resumen, se asume en el modelo que la decisión de los agentes de volverse criminales está correlacionada entre individuos. Tal como se muestra en la tabla 1, esta correlación entre individuos causa que la varianza sea mayor que en el caso i.i.d. Esto sucede porque la varianza termina dependiendo de una función de la proporción de agentes in-fluenciables por otros. Entonces, el objetivo de este estudio es estimar
esta función —f (π)— a partir de la varianza espacial del crimen y
uti-lizarla como un índice de interacción social. En particular, por razones estadísticas relacionadas con las propiedades asintóticas del estimador
es mejor estimar f (π), valor que será reportado en la sección de
resul-tados. Finalmente, para interpretar f (π) se debe tomar en cuenta el
comportamiento de esta función y la interacción social: a mayor f (π),
mayor será la interacción social.
C.2. Marco empírico
Sin embargo, hasta ahora en el modelo existe el supuesto implícito de
que la variable aleatoria ai es independiente de cualquier variable
ob-servada, xi, o no observada, zi. En términos del modelo, este supuesto
Este supuesto es poco creíble, ya que los factores económicos y sociales influyen en la decisión de delinquir. En la siguiente sección se presen-tará un procedimiento para aislar el efecto de la interacción social de
estos otros factores, tanto los no observables como los observables.11
Se denota la probabilidad de que cualquier individuo de la
pro-vincia j elija volverse un criminal como pj* = p* (xj, zj), donde el vector
xj incluye todas las características observables de la provincia j, y el
vector zj incluye todas aquellas características no observables del
espa-cio de estudio, que se asume que son independientes de xj.12 Además,
se denotará pj como la tasa de crimen observada, la cual cumple con
la siguiente ecuación: pj = (xj, zj, ωj), donde el término ωj representa a
todos aquellos shocks aleatorios que hacen que la tasa de crimen
obser-vada difiera de lo que se hubiera predicho utilizando las características
de la provincia. Se asumirá, además, que ωj es independiente de (xj, zj).
El objetivo es, entonces, descomponer la diferencia entre lo pre-dicho por las variables observables y la tasa de crimen observada en
la realidad en dos porciones: el vector zj y el término ωj. una vez que
se estime o asuma la información en zj, se podrá calcular el índice de
interacción social. De este modo, la principal estrategia para identifi-car el tamaño de la interacción social será asumir una estructura para el término de error que resulta de las características no observables.
En particular, se asumirá la siguiente forma funcional para pj*: pj* =
exp(vj) ⁄ (1 + exp(vj)).
11 Se asumirá que la decisión acerca de migrar es predeterminada por los agentes. En una am-pliación del modelo, se podría revocar este supuesto. Además, la migración misma puede producirse como resultado de la interacción social. Revisar Ellison y Glaeser (1997) para una discusión.
12 Nótese que la función p*(.) da la probabilidad de que un individuo sea criminal basándose solo en el hecho de que dicho individuo vive en la ciudad o región j.
29 Metodología
Donde vj tiene esperanza igual a cero y una varianza finita.
Ade-más, se asumirá que vj = ζj + εj, donde ζj es una función escalar de
las observables, xj; y εj, una función escalar de las no observables, zj
(ambas funciones con media igual cero). Dado nuestro supuesto
an-terior, εj es independiente de las observables. Además, se asumirá que
εj ~N[0,λ2]. Este supuesto permitirá identificar la heterogeneidad no
observada. Además, se tomará al vector zj como dado.
Si la predicción hecha exclusivamente sobre la base de variables
observables es pˆj = exp(ζj) ⁄ (1 + exp(ζj)), entonces se puede denotar a
la desviación entre lo observado y dicho estimado como (escalada por la desviación estándar de la población):
(4)
Luego, Glaeser, Sacerdote y Scheinkman demuestran que:
(5)
Donde:
(6)
(7)
Si μj denota la divergencia entre var(γj) y γj2, se tendría que:
Despejando el término cuadrático, tenemos que:
(9)
Entonces, la ecuación por estimar sería la siguiente:
(10)
De ella se desea obtener un estimador de la interacción social condicionado al valor de las otras variables en la ecuación. Antes de resumir los pasos de estimación, se describirán los datos con los que se hará la estimación.
C.3. Base de datos
En el trabajo de Glaeser, Sacerdote y Scheinkman (1996) se utilizaron datos de ciudades. En este trabajo se utilizará información de crimen en otro nivel: el nivel provincial. La ENCO del 2006 es la única en el Perú que es representativa a nivel provincial y que contiene infor-mación sobre tipos de delito sufridos por los hogares y los individuos. Por ello, se utilizará la base agregada a nivel de provincias para la
es-timación del indicador de interacción social.13 una ventaja de usar
datos de una encuesta (autorreportados) en lugar de reportes, como lo hicieron los autores, es que omite el sesgo que las bases de datos administrativos usualmente enfrentan: la diferencia entre el número
de denuncias y el número real de hechos delictivos.14
13 Esta encuesta tendría inferencia distrital si no hubiera sido descontinuada. Más informa-ción se puede obtener en su ficha técnica.
14 Para el Perú, esta brecha puede ser significativa, ya que la tasa de denuncias es muy baja. Por ejemplo, según datos de la Enapres en el 2015, la tasa de denuncias a nivel nacional urbano fue 14,03%.
31 Metodología
Además, la ENCO cuenta con detalle sobre el tipo de delito: 1) agresión sexual, 2) secuestro, 3) asalto o robo de vehículos, 4) robo en vivienda, 5) agresión o robo de pandillas, 6) daños en la vivienda por pandillas, 7) robo en negocio propio, 8) robo de animales, 9) robo de semillas o herramientas para la agricultura o ganadería, 10) asalto o robo de pertenencias fuera del hogar y 11) agresión física o verbal por parte de policía o miembro del serenazgo. Es importante distinguir entre tipos de delitos porque ello permite comparar los resultados. Por ejemplo, se esperaría que explicar la varianza de robo de pandillas implique un mayor grado de interacción social que explicar la varianza de secuestro. Cabe mencionar que también existe la desventaja de que no es una base lo suficientemente actual; sin embargo, se considera que la novedad del análisis y de la metodología para el caso del Perú conseguirá resultados de interés para la literatura nacional. Por último, el estudio solo analizará los delitos urbanos, puesto que la dinámica de estos delitos es muy distinta de la de los delitos rurales.
Considerando lo anterior, en la tabla 2 se describen los estadísti-cos básiestadísti-cos de las variables de crimen a nivel provincial. En esta tabla, se muestran las medias y desviaciones estándar de los delitos selec-cionados, como porcentajes de la población. Se puede observar que el tipo de delito más frecuente es el robo en vivienda (24 por cada 1000 personas) seguido por agresión sexual (6 por cada 1000), asalto a vehículo (3 por cada 1000), agresión o robo de pandillas (2 por cada 1000) y, para finalizar, secuestro (6 por cada 100 000). Si se conside-raran los demás tipos de delitos urbanos, robo a vivienda estaría en primer lugar.
Estos resultados muestran que los delitos más importantes, a ni-vel provincial, son del tipo “contra el patrimonio”. En ese sentido, in-corporar delitos de otra índole —como la agresión sexual o el secues-tro— ayuda a entender mejor el fenómeno de la interacción social:
permite comparar las estimaciones de interacción social (f (π)) entre delitos patrimoniales y no patrimoniales.
Tabla 2
Media y varianza de variables de crimen
Variable ENCO
N Promedio Desviación
muestral estándar muestral
Agresión sexual 195 0,006086 0,008318
Secuestro 195 0,000064 0,000134
Asalto a vehículo 195 0,003572 0,004389
Robo a vivienda 195 0,024230 0,014610
Agresión o robo de pandillas 195 0,002981 0,003812
Daños en la vivienda por pandillas 195 0,005361 0,008558
Robo en negocio propio 195 0,004819 0,005033
Asalto o robo de pertenencias fuera del hogar 195 0,008939 0,008793 Fuente: ENCO (2006).
Elaboración propia.
Las teorías de victimización y criminalidad sustentan que los de-terminantes del crimen en una región son las características demográ-ficas y socioeconómicas de esta. Sin embargo, los delitos como secues-tro y violación sexual tienen una esencia violenta. Por estas razones, se ha incluido un conjunto de variables de control más amplio y de los
siguientes tipos: geográficos,15 demográficos y económicos,
conduc-tuales y vinculados a seguridad y gasto del Gobierno. La base ENCO no contaba con esta información y por eso se han requerido más fuen-tes que también tienen inferencia provincial.
33 Metodología
De esta forma, se han construido 56 indicadores que se detallan en el anexo 1. La base ENCO 2006 contiene tanto las variables que se han categorizado como “conductas de riesgo” como las variables designadas generalmente como demográficas: educación, urbanidad, edad, estado civil, grupo étnico y sexo. Las variables geográficas pro-vienen del Instituto Nacional de Recursos Naturales (Inrena); las va-riables de gasto per cápita o desigualdad (índice de Gini), del mapa de pobreza del 2007 elaborado por el Instituto Nacional de Estadística e Informática (INEI); las variables de seguridad, del Ministerio del Interior (Mininter); y las variables de gasto de Gobierno, del Sistema Integrado de Administración Financiera (SIAF-MEF). En la primera etapa de la estimación se han utilizado muchas de estas variables, pero no todas, para seguir el principio de parsimonia y no reducir los gra-dos de libertad innecesariamente.
Otro detalle al que se debe hacer referencia es que, para el caso de las variables fiscales y policiales, se tuvo que hacer un trabajo adicio-nal. Por ejemplo, la variable de gasto provincial total es igual al gasto departamental total multiplicado por el peso poblacional relativo de la provincia. El mismo procedimiento se realizó para las variables de gasto social provincial y el número de policías del 2006. Además de este indicador, se ha agregado el número de policías en total, en servi-cio y especialistas del 2012, porque es el dato más antiguo disponible a nivel provincial.
En conclusión, la base de datos ENCO y las demás mencionadas en esta parte del trabajo permitirán realizar la investigación pertinen-te. En la última y siguiente sección de la metodología se explicarán los pasos para estimar el indicador de interacción social.
Como se ha explicado en la sección de marco empírico, lo que se quiere
estimar es el indicador de interacción social, f (π), y la varianza de las
variables no observables, λ, de la ecuación (10).16
Sin embargo, para estimarlo, primero se deben conocer los demás indicadores:
Tal como se observa en la ecuación (10), en primera instancia se
debe estimar pˆj, que es la predicción de la tasa de crimen basada solo
en factores observables de la provincia j (las características geográficas, demográficas, socioeconómicas, las conductas de riesgo, y las variables
fiscales y policiales). Este valor se estima para cada provincia j en una
primera etapa al realizar la siguiente proyección:
(11) Para poder realizar esta estimación, el módulo de seguridad de la ENCO permite calcular la tasa de victimización por tipo de delito en
todas las provincias.17 De la misma forma, se puede calcular la media
de los indicadores provinciales que serán utilizados como controles: las características geográficas, demográficas y socioeconómicas; las conductas de riesgo; y las variables fiscales y policiales.
Luego, los indicadores Ѱ(λ, pˆj), Φ(λ, pˆj) no se pueden calcular
ana-líticamente, pero se pueden aproximar sobre la base de las ecuaciones
(6) y (7). En particular, es posible aproximar Ѱ(λ, pˆj), Φ(λ, pˆj)
utilizan-do una función polinómica de {λ, pˆj}. La idea es simular una muestra
“grande” de εj dado un valor para λ0 (recordar que εj ~N [0, λ2]). A
par-16 Ver ecuación (10) en la página 30.
17 Se supondrá que el delito reportado por la víctima equivale a un criminal, por lo que la tasa de victimización es igual a la tasa de criminalidad en la provincia.
35 Metodología
tir de esta muestra (condicionada a λ0) y un valor pˆj0, se puede calcular
Ѱ(λ0, pˆj0), Φ(λ0, pˆj0). El siguiente paso es volver a generar una muestra
condicionada a λ0 y definir un pˆj1 = pˆj0 + ζ, con ζ > 0, para de esta
ma-nera calcular Ѱ(λ0, pˆj1), Φ(λ0, pˆj1). Se repite este paso hasta llegar a un
pˆjR (la idea es cubrir todo el dominio de pˆjr: pˆj ϵ[0,1]) Finalmente, se
repite todo este procedimiento para todos los valores de λ que se desea
estudiar.18
Como resultado de este procedimiento, se contará con una base
de datos en la que se relacionan valores de pˆj y de λ con valores para
Ѱ(λ, pˆj) y Φ(λ, pˆj). Con esta base de datos se puede realizar la
aproxi-mación polinómica de dichas funciones corriendo regresiones y
uti-lizando a {λ, pˆj} como regresores. Así, la mejor aproximación fue un
polinomio de grado cuatro para ambas funciones (con un ajuste de más de 95%):
(12)
Tras estimar la ecuación (12), se guardan los coeficientes {aˆ1, aˆ2,
..., aˆ23}. Con estos coeficientes y los valores proyectados de pˆj en la
primera etapa (la estimación de la ecuación 11) se reconstruye
polinó-micamente Ѱ(λ, pˆj) y Φ(λ, pˆj) —nótese que se puede imponer un valor
para λ o se lo puede dejar libre— y se estima la ecuación (13)
median-te GMM siendo los argumentos f (π) y λ (en caso de que se deje libre):
(13)
18 Para que la aproximación lineal sea lo más certera posible, conviene realizar este procedi-miento para un intervalo “pequeño” de λ.
Los resultados de este procedimiento se mostrarán más adelante, en la sección E. Antes de ello, en la siguiente sección se mostrarán estadísticos sobre la correlación entre las variables de control utiliza-das en la primera etapa y los tipos de delitos urbanos mencionados anteriormente, así como el vínculo entre la interacción social y estos crímenes.
D. HECHOS ESTILIZADOS
En esta sección se presentarán correlaciones entre las tasas de crimina-lidad y los tipos de factores que detallamos anteriormente: geográficos, demográficos, socioeconómicos, referidos a conductas de riesgo, fis-cales y policiales. Asimismo, se presentarán correlaciones con factores asociados a una alta interacción social. El objetivo de esta sección es
motivar las variables que fueron utilizadas para estimar pˆj y para
para-metrizar f (π). Esta parametrización será explicada con mayor detalle
en la sección E, pero la idea general es encontrar variables que se
co-rrelacionen con f (π) para que, una vez que se estime el índice de
inte-racción social f (π), se puedan encontrar correlaciones interesantes con
variables de interés.
D.1. Correlaciones
El anexo 2 muestra la correlación entre tipos de delitos y las variables anteriormente presentadas. Como se mencionó, los delitos considera-dos en la tabla de correlaciones son agresión sexual, secuestro, asalto a vehículos, robo a vivienda, agresión o robo de pandillas, daño a viviendas, robo a negocio propio y asalto fuera del hogar. El asterisco indica una correlación significativa a un nivel de 95% de confian-za. En primer lugar, se puede observar que un delito como agresión sexual prácticamente no se relaciona con características demográficas ni socioeconómicas sino con las variables del tipo “conducta de riesgo”,
como el porcentaje de mayores que consumen alcohol y de personas que participan en una pelea (violencia física). Este resultado es consistente con el hecho de que los crímenes violentos no son normalmente expli-cados por las teorías económicas de victimización, ya que tienen una lógica subyacente muy diferente. Por otro lado, vemos que los delitos restantes están más relacionados con las características socioeconómicas y demográficas.
Asimismo, el grado de correlación, así como su significancia, pue-den variar por el tipo de delito. Las variables geográficas muestran espe-cial relevancia con el asalto a vehículos, agresión o robo por pandillas, daños a la vivienda por pandillas, y asalto o robo por pandillas. Llaman la atención las siguientes observaciones: la correlación entre altitud y los delitos tiene el signo opuesto que la correlación entre el grado de urbanidad y los delitos; y, por otra parte, la luz nocturna se encuentra relacionada fuerte y positivamente con los delitos. Esto se podría deber a que, dado que la luz nocturna es un indicador de desarrollo econó-mico, el efecto ingreso parece predominar: a mayor ingreso, mayor incidencia delincuencial.
En cuanto a las variables socioeconómicas y demográficas, las del tipo “origen étnico” son las que tienen menos correlación con todos los tipos de delitos. Las variables de urbanidad, población, migración, tasa de no ocupación y personas solteras tienen una correlación positiva con todos los crímenes, excepto con el de agresión sexual. Este resul-tado concuerda con los hallazgos de Glaeser, Sacerdote y Scheinkman (1996) y las teorías de victimización de rutinas diarias o de estilo de vida. Por ejemplo, estas teorías señalan que la urbanidad de una zona genera lugares atractivos de criminalidad, ya que básicamente estos tie-nen partes donde se producen grandes aglomeraciones de personas y
esto causa que la probabilidad de ser atrapado disminuya.19
39 Hechos estilizados
Por otro lado, las necesidades básicas insatisfechas (NBI) tienen una correlación significativa y negativa. Este resultado indica que los crímenes se cometen en provincias con mayor porcentaje de hogares no pobres. En el mismo sentido, el gasto promedio por persona tiene una correlación significativa y positiva, que es conforme con las correlacio-nes negativas de las NBI. Además, la educación parece ser importante en estas zonas. La correlación con el crimen es negativa si son zonas con un período de educación promedio menor de 12 años y es positiva cuando es mayor de 12 años. Lo mismo sucede si se analiza por niveles de educación: la correlación es negativa si el máximo nivel promedio de educación es la primaria y es positiva si es de secundaria a más.
Por último, los indicadores de conductas de riesgo y las variables fiscales y policiales tienen correlación significativa. Por un lado, los in-dicadores de conducta de riesgo tienen una correlación positiva y signi-ficativa para todos los delitos analizados, incluido el de agravio sexual. Por otro lado, los gastos totales y sociales tienen una correlación posi-tiva, al igual que los policiales. Además, los cuatro indicadores sobre el total de policías tienen un resultado similar, a pesar de que uno de ellos es ponderado por población y los otros dos provienen del 2012.
Los resultados anteriores muestran que los indicadores de tipo so-cioeconómico, demográfico, conductas de riesgo, policial y fiscal tie-nen una correlación significativa con la mayoría de delitos. La única excepción es el delito de agresión sexual, explicado solo por los indica-dores de riesgo de violencia.
D.2. Interacción social y crimen
A continuación, mostraremos unos estadísticos iniciales sobre la re-lación entre interacción social y crimen. El objetivo es analizar esta
relación de manera preliminar para que, una vez que estimemos el
índice de interacción social f (π), podamos relacionarlo con variables
explicativas. Mayor detalle de está parametrización se encuentra en la sección F.
La base de datos ENCO (2006) no contiene información sobre variables de interacción social; sin embargo, podemos utilizar variables relacionadas. Como en el modelo teórico el grado de interacción social se mide por las personas influenciables en sus decisiones, los indicado-res utilizados son los que incentivan el incremento de este tipo de agen-tes. Los indicadores vinculados a la interacción social entre criminales y potenciales criminales que utilizaremos se basan en tres fuentes.
En primer lugar, Glaeser, Sacerdote y Scheinkman (1996) utilizan como variable explicativa de interacción social 1) el porcentaje de hoga-res en los que la madre es jefe de hogar y no hay pareja. Este indicador mide la inestabilidad familiar (Ackerman, Kogos, Schoff e Izard 1999), que propicia la interacción social; por ello, agregamos más indicadores de este tipo: 2) el porcentaje de hogares con niños con enfermedad cró-nica, 3) el porcentaje de hogares con jefe de hogar sin trabajo fijo y 4) el porcentaje de hogares en los que el jefe de hogar o el cónyuge maltrata físicamente a los menores de edad. La segunda fuente son los indicado-res propuestos en el marco teórico: 5) la densidad poblacional, 6) el por-centaje de la población con secundaria completa, 7) la concentración étnica y 8) el porcentaje de menores que consumen alcohol.
Por último, utilizaremos indicadores propuestos por la teoría de desorganización social. Según esta teoría, la falta de controles sociales en una comunidad permite que los jóvenes sean más proclives a la decisión de delinquir. Mientras menos controles sociales haya, mayor será la influencia de los criminales sobre las personas en su decisión de delinquir. Los siguientes indicadores miden la falta de control social por parte del municipio y de la comunidad dentro de la provincia en
41 Hechos estilizados
el 2006: 9) porcentaje de edificios de uso recreativo dedicados al de-porte, 10) número de organizaciones de seguridad vecinal por cada 1000 personas, 11) porcentaje de distritos que presentan problemas de narcotráfico o drogadicción y 12) porcentaje de distritos con cobertura de recojo de basura menor del 25%.
En la primera columna de la tabla 3 se presentan los 12 indicado-res descritos líneas arriba. En la segunda columna se exhibe el valor pro-medio de cada uno de estos 12 indicadores para las provincias donde la incidencia de crímenes no violentos es “baja”. En la tercera columna se realiza un ejercicio similar, pero para las provincias donde la incidencia de crímenes es “media” y finalmente, en la última columna se realiza el mismo ejercicio, pero para las provincias donde la incidencia criminal es “alta”. El objetivo de esta tabla es mostrar descriptivamente la gra-diente entre los indicadores propuestos y las tasas de crimen.
Así, los resultados de la tabla 3 muestran una correlación positiva entre los factores que propician la interacción social con criminales y la tasa de crimen, aunque algunos indicadores no tienen una relación precisa. Son los indicadores de violencia en el hogar e inestabilidad fa-miliar los que muestran una mayor correlación positiva con el crimen. Por ejemplo, el número de hogares con jefe de hogar mujer sin cónyuge es más alto en las provincias con alta criminalidad. El único indicador que difiere es el porcentaje de jefes de hogar sin trabajo fijo ni ahora ni en el futuro, que puede explicarse por la existencia de hijos mayores dentro de esos hogares.
Por otro lado, la relación del crimen con el grupo de indicadores de interacción social basados en la teoría de desorganización social no es clara. Por ejemplo, con el indicador de heterogeneidad étnica de la comunidad, vinculado a la posibilidad de relacionarse dentro de una co-munidad: según la teoría, es más probable que una comunidad tenga una cohesión social más fuerte si alberga a personas de una misma etnia
o raza, y el caso contrario también se cumple. Consecuentemente, una mayor heterogeneidad en una comunidad ocasionaría que algunos gru-pos o etnias no se integraran y, por tanto, habría poco control social
Tabla 3
Promedios de los indicadores relacionados con interacción social condicionados al nivel de criminalidad provincial no violenta
(ENCO)
Indicador social Bajo Medio Alto
Porcentaje de hogares con jefe de hogar mujer y sin pareja 10,1% 11,5% 11,0% Porcentaje de hogares con niños menores de 14 años con
enfermedad crónica 3,5% 4,2% 4,3%
Porcentaje de hogares con jefes de hogar sin empleo ni trabajo
fijo en el futuro 25,0% 23,7% 20,6%
Porcentaje de hogares en los que el jefe de hogar y la pareja
agreden físicamente a los menores 12,2% 14,6% 15,6%
Densidad poblacional 25,73 173,69 33,31
Porcentaje de población mayor de edad con al menos
secundaria completa 31,3% 34,9% 31,6%
Índice de concentración de origen étnico (0 es más heterogéneo) 62,7% 62,6% 59,4% Porcentaje de hogares en los que al menos un menor de 14 años
fuma o bebe alcohol 0,1% 0,2% 0,3%
Porcentaje de edificios de uso recreativo dedicados al deporte 76,7% 79,9% 76,7% Número de organizaciones de seguridad vecinal por cada 1000
personas 10,1% 11,7% 14,2%
Porcentaje de distritos que presentan problemas de narcotráfico
o drogadicción 17,6% 19,8% 15,2%
Porcentaje de distritos con cobertura de recojo de basura
menor del 25% 2,4% 1,5% 2,0%
Nota: Los delitos no violentos considerados son asalto, robo en vivienda, robo de negocio, robo de animales, robo de semillas, daños a vivienda y asalto vehicular.
Fuentes: ENCO (2006) y Renamu (2005). Elaboración propia.
43 Hechos estilizados
sobre ellos. Esto causaría que, en las comunidades con alta heteroge-neidad, la criminalidad sea mayor. Esta premisa se cumple en nuestro caso, pues los datos muestran que la criminalidad aumenta en lugares donde la provincia es más heterogénea. Hay otro indicador que se re-laciona con la cohesión social: el deporte. Los resultados no muestran una relación positiva o negativa cuando se comparan las provincias de baja y alta criminalidad. Esto se puede deber a que la cohesión puede aumentar entre los vecinos que no delinquen, así como entre los que sí lo hacen.
Luego, en la tabla 4, se realiza un ejercicio similar al de la tabla 3, solo que, en lugar de analizar la gradiente entre los 12 indicadores pro-puestos y los crímenes no violentos, se examina la gradiente entre los 12 indicadores propuestos y los crímenes violentos. Así, en contraste con los resultados anteriores, estos muestran una correlación positiva entre los factores que propician la interacción social con criminales y la tasa de crimen. Se observa que la violencia del delito no afecta la mayoría de los resultados. En general, los indicadores de violencia en el hogar y de quiebre familiar muestran una mayor correlación con el crimen. Sin embargo, hay algunas diferencias. En comparación con el caso de delitos no violentos, el indicador de porcentaje de jefes de hogar sin em-pleo muestra un aumento cuando el grado de victimización de la zona es mayor. Asimismo, las provincias con mayor criminalidad violenta tienen más personas con secundaria completa, mientras que este indi-cador no es tan claro para el caso de crímenes no violentos. La variable de densidad poblacional muestra una relación claramente positiva con los crímenes violentos, pero no es precisa para el caso de crímenes no violentos. En el caso de las variables de institucionalidad, se muestra que una baja institucionalidad, medida mediante la cantidad de distritos con problemas de narcotráfico y drogas, se relaciona con una mayor criminalidad. Las demás variables no tienen una tendencia lineal clara.
Tabla 4
Promedios de los indicadores relacionados con interacción social condicionados al nivel de criminalidad provincial violenta (ENCO)
Indicador social Bajo Medio Alto
Porcentaje de hogares con jefe de hogar mujer y sin pareja 9,3% 11,2% 12,1% Porcentaje de hogares con niños menores de 14 años con
enfermedad crónica 3,7% 3,8% 4,6%
Porcentaje de hogares con jefes de hogar sin empleo ni trabajo
fijo en el futuro 23,5% 22,1% 23,7%
Porcentaje de hogares en los que el jefe de hogar y la pareja
agreden físicamente a los menores 12,1% 13,5% 16,8%
Densidad poblacional 22,38 26,76 183,59
Porcentaje de población mayor de edad con al menos
secundaria completa 23,8% 33,1% 40,9%
Índice de concentración de origen étnico (0 es más heterogéneo) 65,2% 62,0% 57,5% Porcentaje de hogares en los que al menos un menor de 14 años
fuma o bebe alcohol 0,2% 0,2% 0,3%
Porcentaje de edificios de uso recreativo dedicados al deporte 75,0% 78,6% 79,8% Número de organizaciones de seguridad vecinal por cada 1000
personas 12,6% 12,6% 10,8%
Porcentaje de distritos que presentan problemas de narcotráfico
o drogadicción 13,0% 17,6% 21,9%
Porcentaje de distritos con cobertura de recojo de basura
menor del 25% 2,3% 0,9% 2,7%
Nota: Los delitos violentos considerados son agresión de pandillas, agresión, secuestro y agre-sión sexual.
Fuentes: ENCO (2006) y Renamu (2005). Elaboración propia.
En resumen, se ha visto que los indicadores más relacionados con el crimen son los de tipo socioeconómico, demográfico, referidos a con-ducta de riesgo, policial y fiscal, con excepción del delito de agresión sexual, que se explica solo por los indicadores de riesgo de violencia.
45 Hechos estilizados
Por otro lado, se cuenta con indicadores aproximados para interacción social y crimen. En los crímenes clasificados como violentos, se puede observar que todos los indicadores muestran una correlación positiva, mientras que en los delitos no violentos o patrimoniales, la relación se centra en aquellos indicadores que se aproximan a la inestabilidad familiar y/o a la violencia. Estos son unos primeros indicios de que la criminalidad tiene alguna relación con la interacción social.
A continuación, presentamos los resultados de la estimación de un indicador de interacción social que puede darnos luces sobre los interrogantes pendientes en esta sección. El indicador estimado es igual a la proporción de agentes influenciables que agranda la varianza del crimen y, de esta forma, explica las diferencias de tasas de crimen entre regiones.
E. EL ÍNDICE DE INTERACCIóN SOCIAL f (π)
Esta sección abordará la estimación y parametrización del índice de interacción social. En la parte de estimación, se presentan los resulta-dos de haber estimado la ecuación (10) utilizando como argumentos
a) f (π) (restringiendo el valor de λ) y b) f (π) conjuntamente con λ,20;
y en la parte de parametrización, se establece una correlación entre este índice y variables que pueden incidir en este parámetro. A conti-nuación se presentan estos resultados.
E.1. Estimación
Antes de mostrar los resultados de la estimación restringida y conjunta
es necesario repasar lo que realmente significan estos dos parámetros.21
Tal como se puede ver en la sección metodológica, la identificación de los dos parámetros del modelo recae sobre los supuestos funcionales
y distribucionales realizados. En particular, se debe recordar que pj* =
exp(vj) ⁄ (1 + exp(vj)), donde vj tiene esperanza igual a cero y varianza
fi-nita; y que vj = ζj + εj, donde ζj es una función escalar de las observables,
y εj, una función escalar de las no observables (ambas con media igual
cero) con εj ~N [0, λ2]. En otras palabras, λ2 básicamente indica en qué
20 Recuérdese que para estimar la ecuación 10, primero es necesario estimar pˆj, tal como se especificó en la ecuación (11).
medida la varianza no explicada se debe a heterogeneidad no observada. De este modo, se puede saber qué otra proporción se debe a interacción
social (ver secciones C.1., C.2. y C.3. para mayor detalle). Asimismo, f
(π) indica en qué medida se está multiplicando la varianza del crimen
como producto de la existencia de agentes influenciables, es decir, tipo 2
(ver tabla 1). Si λ2 es muy alto y f (π) muy bajo, quiere decir que mucha
de la varianza que se queda sin explicar se debe a la heterogeneidad no observada y no a la interacción social. Si este fuese el caso, la inclusión
de más variables de control debería reducir el valor de λ2.
Dado lo anterior, en la tabla 5 se presenta la estimación de la
segunda etapa, restringiendo el valor de λ2 a 0, a 0,05 y a 0,1.22 En la
primera columna se muestran los delitos estudiados; en la segunda co-lumna, el número de observaciones; y de la tercera a la sexta coco-lumna,
las estimaciones de f (π), restringiendo el valor de λ2 = 0 y utilizando
las variables indicadas en la parte inferior de la tabla como predictores
en la estimación de pˆj. De la séptima a la décima columna, se repite lo
anterior, pero imponiendo que λ2 = 0,05, y así sucesivamente.
Cuando se restringe dicho valor a 0, la estimación de f (π) vendría
a ser la interacción social necesaria para explicar la varianza residual del crimen, condicionando que las variables no observables no jueguen nin-gún rol. En este escenario contrafactual y considerando la tercera especi-ficación (cuyo texto en la tabla se ha puesto en negrita), se encuentra que el crimen cuya varianza requiere mayor interacción social para ser expli-cada es la agresión sexual. En segundo lugar, se encuentra el secuestro; y en tercer lugar, la agresión o robo por pandillas. Vale decir que en último lugar se ubica el asalto o robo de pertenencias fuera del hogar.
Sin embargo, es poco creíble pensar que las variables no observa-bles no juegan ningún rol en la explicación de la varianza residual. Eso
se confirma cuando se restringe el valor de λ2 a 0,05, ya que, al realizar
22 Se eligieron estos valores porque Glaeser, Sacerdote y Scheinkman (1996) obtuvieron esti-maciones alrededor de ellos.
